本文为Java程序员提供Agent开发转型路线图从概念到实战介绍如何将LLM构建成能自主感知、推理、决策、行动的智能体程序。文章强调Java开发者已有技能与Agent开发的相通之处并通过Python基础、LLM理解、框架上手、RAG与向量检索、Multi-Agent与复杂编排等步骤引导读者逐步掌握Agent开发的核心技能。最后提出Agent开发的前景与价值鼓励程序员拥抱AI时代提升自身竞争力。你有没有在某天开发完需求后正想摸鱼刷会儿手机结果刚打开抖音或者公众号就刷到一条——“⚠️ Java 已死未来三年 90% 的程序员将被 AI 淘汰”你心里咯噔一下手一抖差点就付款了。然后冷静下来一想——不对啊五年前他们就说 “Java 要凉了”怎么到今天招聘网站上 Java 岗还占了半壁江山合着他们是靠 “Java 已死” 吃了五年饭说实话培训机构的焦虑生意经本质就一句话先把你吓个半死再让你掏钱买解药。 AI 的确正在重塑程序员的市场格局这一点不假。但他们嚎的那么急迫——无非是想要你买课罢了。与其被贩卖焦虑的人牵着鼻子走不如冷静下来认认真真问自己一个问题既然 AI 是大势所趋我能主动做点什么答案就是从现在开始把 Agent 开发当成你的第二职业技能。技多不压身嘛——就像十年前大家争着学全栈一样不是丢掉了后端去做前端而是多了一项能力傍身路自然就更宽了。而好消息是Java 开发者的底子转型 Agent 工程师比你想的轻松得多。本文就是你的转型路线图——不贩卖焦虑不推销课程只讲干货。从概念到实战从入门到精通一步一步带你走。一、先搞清楚Agent 工程师到底是个啥在聊怎么转之前咱们得先把概念掰扯清楚——毕竟现在满大街都在说 Agent但每个人说的可能都不是同一个东西。1.1 一句话定义Agent 工程师 用大模型LLM构建能自主感知、推理、决策、行动的智能体程序的工程师。用人话说就是你不再是写死规则if (balance 0) throw new Exception()了而是告诉 AI“你是一个支付风控助手发现可疑交易时先查历史记录再判断要不要拦截最后把结论发到钉钉群。”它能自己决定怎么做、按什么顺序做、用什么工具做。 这就是 Agent 跟传统程序最本质的区别。1.2 传统程序 vs Agent 程序一张表看懂维度传统程序你天天写的Agent 程序你要学的控制流你写死每一步逻辑AI 自己决定执行步骤输入处理严格格式DTO Valid自然语言灵活随意决策方式if-else/switch-caseLLM 推理 工具调用错误处理try-catch已知异常兜底动态重试 自我纠错扩展方式改代码、加接口加工具描述、调 Prompt核心能力确定性计算非确定性推理举个例子你就明白了传统方式——你要写一个自动回复客户邮件的功能// 传统做法正则匹配关键词模板回复 if (email.getContent().contains(退款)) { return 尊敬的用户您的退款申请已收到我们将在3个工作日内处理...; } else if (email.getContent().contains(发货)) { return 尊敬的用户您的订单已发货快递单号是...; } // ... 写了一百个 else-if还是漏了 80% 的场景Agent 方式——同样做邮件回复// Agent 做法给 AI 工具和指令让它自己判断 String prompt 你是客服助手。根据邮件内容判断意图查数据库获取订单信息 然后生成个性化回复。如果无法处理升级给人工。 ; String reply agent.process(email.getContent(), prompt);前者要写几百个分支后者只需要描述目标。你不是在写逻辑你是在指挥一个智能体。好了现在你大概知道 Agent 工程师是做什么的了。但下一个问题马上就来——我一个写 Java 的凭什么能转 Agent 工程师二、Java 开发者的隐藏技能你其实已经学会了一半说实话当我第一次接触 Agent 开发的时候最大的感受不是哇好难而是——这不就是把我熟悉的那些设计模式换了个壳吗2.1 你的技能映射表Java 功底 → Agent 开发Java 技能对应 Agent 技能为什么相通接口设计Interface工具定义Tool Definition都是定义输入什么、输出什么的契约依赖注入Spring IoCAgent 的工具装配都是把能力注入到需要的地方设计模式策略/责任链Agent 路由与编排都是根据不同情况走不同路径异常处理try-catchAgent 兜底与重试都是出问题了要有预案数据库操作JDBC/MyBatisRAG 向量检索都是从存储里查数据REST API 设计Function Calling都是定义可调用的远程方法消息队列Kafka/RabbitMQ多 Agent 通信都是异步解耦的消息传递日志与监控SLF4J PrometheusAgent 可观测性都是出了问题能追溯多线程与线程池Agent 并发编排都是多个任务怎么高效调度看到没你过去三五年攒下的 Java 功底没有一行是白写的。你不是从零开始你只是换了一个赛道。2.2 说一个你可能没意识到的优势Java 开发者有一个其他语言开发者不太具备的特质我们习惯于在复杂的抽象层级中思考。Spring 的 Bean 生命周期、MyBatis 的插件链、微服务的调用链路——Java 生态逼着你从第一天起就在跟架构打交道。而 Agent 开发的核心难点恰恰不是写代码而是设计智能体的架构什么时候该用工具什么时候该用记忆多个 Agent 之间怎么协作这些问题的答案跟你设计微服务架构时的思路如出一辙。信心建立了吧但光有信心不够接下来咱们看看——要补的具体是什么。三、转型第一步补齐 Python 这个第二语言你可能有点抗拒——“我 Java 写得好好的学 Python 干嘛”说实话我一开始也这么想。但现实是当前 AI/Agent 生态 90% 的框架、工具、SDK 都是 Python 优先的。 Spring AI 和 LangChain4j 在追但离 Python 生态还有差距。好在——Python 大概是世界上最好学的语言没有之一。3.1 你只需要学这些三天足够# 第一天变量、循环、函数 def greet(name: str) - str: return fHello, {name}! # 看连字符串拼接都比 Java 简单十倍 # 第二天列表推导式替代你的 Stream API squares [x2 for x in range(10)] # 比 stream().map().collect() 爽多了吧 # 第三天装饰器类似于你的 AOP 注解 import time def timer(func): def wrapper(*args, kwargs): start time.time() result func(*args, kwargs) print(f耗时: {time.time() - start:.2f}s) return result return wrapper timer # 看这不就是 Around 吗 def do_something(): time.sleep(1)3.2 Java vs Python你只需要记住这些差异场景JavaPython变量声明String name Tom;name Tom集合操作list.stream().map(...)[... for x in list]JSON 序列化Jackson / Gsonjson.dumps(obj)HTTP 请求RestTemplate / OkHttprequests.get(url)依赖管理Maven / Gradlepip / poetry接口定义interfaceProtocol/ ABC一句话总结Python 学到能流畅写脚本、调 API、处理 JSON 就够了。你不需要成为 Python 大师你只需要它作为胶水语言来串联 Agent 生态。搞定了语言工具接下来咱们正式进入 Agent 的世界——先从最核心的概念开始。四、Agent 核心概念用 Java 的思维理解 AI 的世界这一章是整篇文章最重要的部分。别跳过——把这些概念搞懂了后面所有的框架都只是语法糖。4.1 大模型LLM 一个超级大脑把 LLM 想象成一个读过互联网上几乎所有文本的超级实习生✅ 懂很多东西能跟你聊哲学、写诗、翻译、写代码✅ 推理能力强能从上下文推断你的意图❌ 不知道你的业务数据它没见过你的数据库❌ 不知道现在几点它没有实时信息❌ 不会操作外部系统它不能替你发邮件、查订单所以单独一个 LLM 是不够的。你得给它配上手脚和记忆——这就是 Agent 要做的事。4.2 Tool工具 LLM 的手脚工具就是让 LLM 能干实事的东西。在 Java 语境里工具就相当于一个Service的方法// Java 服务方法 —— Agent 世界里就叫 Tool Service public class OrderService { public OrderDTO queryOrder(String orderId) { return orderDao.selectById(orderId); } }Agent 框架里定义工具的写法以 Python 为例# 定义一个 Tool让 AI 能查订单 tool def query_order(order_id: str) - dict: 根据订单号查询订单详情。 return db.query(SELECT * FROM orders WHERE id ?, order_id)当用户说帮我查一下订单 ORD-12345 的状态时LLM 会自动决定调用query_order(ORD-12345)拿到结果后再生成回复。Java 开发者的直觉理解Tool 一个可以被 AI 动态发现和调用的 API 接口。4.3 Memory记忆 Agent 的上下文存储LLM 本身是无状态的——每次调用都是全新的它不记得上一轮聊了什么。Memory 就是给 Agent 加上记忆记忆类型类比 Java用途短期记忆HttpSession一次对话中的上下文长期记忆数据库持久化跨对话保留的用户偏好/知识工作记忆线程本地变量ThreadLocal当前任务执行的中间结果4.4 Planning规划 Agent 的执行力这是 Agent 最智能的地方——它能自己拆解任务、制定执行计划。比如你问“帮我分析上周的用户增长情况把结论发邮件给老板。”传统程序你得先把数据分析→生成报告→发邮件这个过程写成一个完整的 workflow。Agent 做法它自己会把任务拆成三步1. 调用数据分析工具查上周数据2. 调用图表生成工具生成趋势图3. 调用邮件工具把结果发出去这不就是 责任链模式 策略模式 的动态版本吗只不过以前是你在代码里写死调用顺序现在是 AI 自己决定。4.5 RAG检索增强生成 给 LLM 配上知识库RAG 全称 Retrieval-Augmented Generation听起来高大上本质就三步1. 把文档切成小块 → 就像把一本字典拆成词条卡片2. 转成向量存起来 → 每张卡片转成一串数字向量存进向量数据库3. 提问时检索相关内容 → 把跟问题最相关的几张卡片连同问题一起扔给 LLM// 传统的做法用户问啥你从 MySQL 全文索引查 ListDoc docs docDao.searchByKeyword(keyword); // RAG 的做法把问题转成向量从向量库查语义最接近的内容 ListDoc docs vectorStore.similaritySearch(embedding(question));区别在哪关键词搜索是字面匹配向量搜索是语义匹配。 用户搜怎么退钱你存的是退款流程关键词匹配不到但向量搜索能——因为它理解了这两句话说的是同一件事。核心概念就这五个LLM、Tool、Memory、Planning、RAG。你现在可能觉得还有点抽象——没关系下一章咱们直接上手写代码你会发现它们一点都不神秘。五、实战用 Java 构建你的第一个 Agent好了理论说了这么多该动手了。作为一个 Java 开发者你不需要抛弃 Java 去拥抱 Python——Java 生态里已经有成熟的 Agent 框架了。5.1 框架选型LangChain4j vs Spring AI框架特点推荐场景LangChain4jLangChain 的 Java 移植功能全面想快速上手、生态完整Spring AISpring 官方出品和 Spring Boot 无缝集成已有 Spring 项目、追求一致性个人推荐先用 LangChain4j 入门它概念清晰、文档丰富实际生产项目再根据团队情况选型。下面咱们以 LangChain4j 为例手把手带你写一个能查天气→推荐穿搭的 Agent。放心代码量很少——Agent 开发的精髓是搭积木不是写业务逻辑。5.2 环境准备5 分钟搞定Maven 依赖pom.xmldependency groupIddev.langchain4j/groupId artifactIdlangchain4j-open-ai/artifactId version1.0.0-beta1/version /dependency dependency groupIddev.langchain4j/groupId artifactIdlangchain4j/artifactId version1.0.0-beta1/version /dependency配置 API Keyapplication.ymllangchain4j: open-ai: api-key: ${OPENAI_API_KEY} model-name: gpt-4o5.3 定义工具让 Agent 有手脚第一步定义 Agent 能用的工具。还记得吗工具就是你原来写的那些 Service 方法import dev.langchain4j.agent.tool.Tool; public class WeatherTools { Tool(查询指定城市的当前天气返回温度和天气状况) public String getWeather(String city) { // 实际项目中这里调用天气 API // 为演示方便直接返回模拟数据 return String.format(%s 当前温度 26°C晴转多云湿度 60%%, city); } Tool(根据温度和天气状况推荐穿衣搭配) public String recommendClothing(int temperature, String weather) { if (temperature 30) { return 建议穿短袖T恤 短裤注意防晒记得带墨镜和遮阳帽; } else if (temperature 20) { return 建议穿薄长袖或短袖 薄外套舒适刚好; } else if (temperature 10) { return 建议穿卫衣或薄毛衣 长裤早晚可能需要加件夹克; } else { return 建议穿羽绒服 毛衣 围巾注意保暖; } } }注意看Tool注解里的描述文字——这是给 LLM 看的不是给你看的。 LLM 通过这段描述来判断什么时候该用这个工具。是不是很像 Swagger 的ApiOperation描述写得好AI 才能用得对。这就是 Agent 工程师的接口文档。5.4 组装 Agent搭积木时间接下来把工具装配到 Agent 上让它成为一个能自主行动的智能体import dev.langchain4j.memory.chat.MessageWindowChatMemory; import dev.langchain4j.model.openai.OpenAiChatModel; import dev.langchain4j.service.AiServices; public class WeatherAgent { public static void main(String[] args) { // 1. 配置 LLM大脑 OpenAiChatModel model OpenAiChatModel.builder() .apiKey(System.getenv(OPENAI_API_KEY)) .modelName(gpt-4o) .temperature(0.7) .build(); // 2. 创建 Agent装配手脚 记忆 Assistant assistant AiServices.builder(Assistant.class) .chatLanguageModel(model) .tools(new WeatherTools()) // 注入工具这不就是 Autowired 吗 .chatMemory(MessageWindowChatMemory.withMaxMessages(10)) // 记忆最近10轮对话 .build(); // 3. 对话——Agent 自动决定用哪个工具、按什么顺序 String answer assistant.chat(北京今天天气怎么样我应该穿什么); System.out.println(answer); } // 定义 Agent 的接口 interface Assistant { String chat(String userMessage); } }运行这段代码Agent 会1. 收到你的提问“北京今天天气怎么样我应该穿什么”2. 自主判断先调getWeather(北京)获取天气3. 自主判断拿到温度后再调recommendClothing(26, 晴转多云)4. 把两步的结果整合成一条连贯的回复不需要你写任何调度逻辑。 Agent 自己规划了执行步骤。这就是 Agent 编程跟传统编程最大的区别。5.5 加上 RAG让 Agent 能读你的文档业务中不可能把所有知识都塞进 Prompt你得让 Agent 能检索你的知识库import dev.langchain4j.data.document.Document; import dev.langchain4j.data.document.splitter.DocumentSplitters; import dev.langchain4j.data.segment.TextSegment; import dev.langchain4j.model.openai.OpenAiEmbeddingModel; import dev.langchain4j.store.embedding.EmbeddingStore; import dev.langchain4j.store.embedding.inmemory.InMemoryEmbeddingStore; // 1. 加载文档、切分相当于把一本书拆成小卡片 Document doc Document.from(你的业务知识文档.txt); ListTextSegment segments DocumentSplitters.recursive(500, 50).split(doc); // 2. 向量化存储卡片 → 数字 → 存进向量库 EmbeddingStoreTextSegment store new InMemoryEmbeddingStore(); OpenAiEmbeddingModel embeddingModel OpenAiEmbeddingModel.builder() .apiKey(System.getenv(OPENAI_API_KEY)) .build(); segments.forEach(seg - { var embedding embeddingModel.embed(seg.text()).content(); store.add(embedding, seg); }); // 3. 把向量库接入 Agent Assistant assistant AiServices.builder(Assistant.class) .chatLanguageModel(model) .tools(new WeatherTools()) .contentRetriever(EmbeddingStoreContentRetriever.from(store, embeddingModel)) .chatMemory(MessageWindowChatMemory.withMaxMessages(10)) .build(); // 现在 Agent 能检索你的知识库回答了 String answer assistant.chat(公司的退款政策是什么);到这里你已经写出了一个能查天气 推荐穿搭 检索文档的 Agent。代码量不超过 50 行。是不是发现 Agent 开发比你想象的要简单其实它就三件事配模型、加工具、接记忆。 就像 Spring Boot 的三板斧加依赖、写配置、注 Service。六、进阶从能跑到能打——Agent 工程师的核心技能树单 Agent 会写了但生产环境可不是过家家。以下是你需要逐步深入的方向6.1 Prompt Engineering提示工程Agent 工程师的第一生产力如果说传统开发的灵魂是代码那 Agent 开发的灵魂就是 Prompt。一个糟糕的 Prompt 能让 GPT-4 表现得像人工智障而一个好的 Prompt 能让 GPT-4o-mini 也够用。// ❌ 糟糕的 Prompt String badPrompt 帮我写个 SQL。; // ✅ 好的 Prompt String goodPrompt 你是一个资深 Java 后端开发请根据以下表结构生成一个查询 SQL。 表结构 - orders(id, user_id, amount, status, created_at) - users(id, name, email) 需求查询过去30天内消费金额最高的10个用户输出用户名、邮箱和总消费金额。 要求使用标准 SQL注明索引建议给出预估执行计划。 ;写好 Prompt 的原则1. 给定角色“你是 xx 专家”——给 LLM 设一个人设2. 明确上下文“表结构如下……”——告诉它它需要知道的信息3. 限定输出“使用标准 SQL注明索引建议”——说清楚要什么4. 给几个示例Few-shot——对于复杂任务给一两个正确示例效果碾压6.2 Agent 架构模式当你需要构建更复杂的 Agent 系统时以下架构模式要烂熟于心模式描述Java 类比ReAct思考→行动→观察→循环责任链 循环Plan-and-Execute先规划、再执行、最后汇总工作流引擎Multi-Agent多个 Agent 分工协作微服务编排Router根据意图把请求路由给不同 AgentGateway 网关ReflectionAgent 自己审查和修正自己的输出Code Review6.3 多 Agent 协作当微服务遇上智能体这是目前 Agent 开发最前沿、也最有意思的方向。多个 Agent 就像微服务一样各自负责一块通过消息传递协作// 场景做一个技术方案评审系统 // Agent 1架构评审 Agent —— 负责评审架构合理性 // Agent 2代码质量 Agent —— 负责审查代码质量 // Agent 3安全审计 Agent —— 负责检查安全隐患 // 编排器把三个 Agent 的输出汇总成最终评审报告每个 Agent 都是独立的、有自己 Prompt 和工具的智能体。它们之间可以互相调用、互相纠错。这跟你现在做的微服务架构有什么区别微服务是你写了所有逻辑服务间通过 RPC 通信。多 Agent 是你只定义了每个 Agent 的能力边界它们自己决定怎么协作。前者是你指挥后者是你设定规则它们自己玩。6.4 可观测性Agent 的日志与监控传统程序出问题——看堆栈、看日志、加断点。Agent 程序出问题——你看到的可能只是一句抱歉我无法完成这个任务 所以 Agent 的可观测性比传统程序更重要观测维度要记录什么对应工具LLM 调用每次调用的 Prompt、Token 消耗、延迟Langfuse / LangSmith工具调用哪个工具被调用、参数、返回值OpenTelemetry决策链路Agent 每一步的推理过程Trace 日志最终输出用户看到了什么常规日志一个成熟的 Agent 工程师花在调试和监控上的时间绝不比写代码少。七、转型路线图从 CRUD Boy 到 Agent 大师的六步走说完了是什么和怎么写最后咱们回到最实际的问题——怎么规划这条转型之路阶段一第 1-2 周拥抱 Python目标能用 Python 写脚本、调 API、处理 JSON资源推荐官方 Tutorial 刷 5 道 LeetCode EasyPython 版验收标准把项目中一个RestTemplate调 API 的逻辑用 Python 重写一遍阶段二第 3-4 周理解 LLM目标搞懂 LLM 的工作原理、能力边界、Prompt 写法资源推荐OpenAI 官方文档 Anthropic Cookbook验收标准能写出一套系统级 Prompt让 LLM 稳定完成一个复杂任务阶段三第 5-6 周上手 Agent 框架目标用 LangChain4j 或 Spring AI 构建一个完整的 Agent实操项目做一个智能客服 Agent能查知识库、查订单、转人工验收标准Agent 能独立处理 80% 的客服咨询阶段四第 7-8 周深入 RAG 与向量检索目标理解 Embedding、向量数据库、检索策略实操项目把公司内部文档做成 RAG 知识库让 Agent 能回答业务问题验收标准对比关键词搜索和向量搜索的效果差异阶段五第 9-12 周Multi-Agent 与复杂编排目标构建多 Agent 协作系统实操项目做一个智能代码审查机器人包含架构审查、代码审查、安全审查三个子 Agent验收标准审查结果比人工审查覆盖更多问题类型阶段六持续走向生产关注Agent 性能优化、成本控制、安全防护、A/B 测试持续学习追踪前沿论文、关注 Agent 框架更新终极目标在团队内部推动 Agent 落地成为那个懂 Agent 的 Java 大佬八、写在最后这不是要不要的问题而是什么时候的问题回到文章开头那个问题——Java 开发者的下一站在哪架构师没问题架构师的需求一直存在。技术管理也是一条好路。转大数据/云原生都可以。但 Agent 工程师可能是最值得你认真考虑的一个方向。不是因为其他方向不够好而是1. 时机正好Agent 生态刚刚开始成熟现在入场你就是先驱不是炮灰2. 门槛不高Java 开发者的技能栈天然适配 Agent 开发本文第二章已经证明了3. 天花板极高Agent 是 AI 时代的操作系统未来十年只会越来越重要4. 不会无聊每天跟大模型打交道调试 Prompt 就像在侦探小说——你永远不知道下一轮输出会是什么惊喜或者惊吓最后送大家一句话AI 不会淘汰程序员但会用 AI 的程序员会淘汰不会用 AI 的程序员。而 Agent 工程师就是那个最会用 AI 的程序员。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。大模型入门到实战全套学习大礼包1、大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通2、大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。3、AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。4、大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。5、大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。适用人群第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】